1. 课程导入

自动驾驶系统的安全性与可靠性，无法仅靠“多跑里程”来证明。真实道路中极端、长尾、组合式风险场景出现概率极低，而软件迭代又要求快速验证“这次改动有没有破坏原有能力”。因此，本课程聚焦两条主线：场景覆盖——用有限测试资源尽可能逼近真实风险空间；回归测试——在版本持续演进中稳定识别能力退化与新增缺陷。二者共同构成自动驾驶测试工程的核心闭环。

一、学习目标：从“会跑用例”到“会设计验证体系”

完成本课程后，你应具备以下能力：

• 能解释场景、场景库、覆盖度、回归基线、测试预言等核心概念，并区分其工程边界。
• 能基于 ODD（运行设计域）与风险来源，构建分层场景空间，而不是零散堆叠用例。
• 能设计场景覆盖指标，包括参数覆盖、逻辑覆盖、组合覆盖与风险加权覆盖。
• 能搭建回归测试流水线，完成用例筛选、基线管理、结果比对、失败归因与报告输出。
• 能识别“覆盖率高但无效”“回归通过但漏检”等典型误区，并给出改进策略。

二、核心概念：场景、覆盖与回归的三角关系

场景是对自动驾驶系统所处环境、任务与动态交互的结构化描述，通常包含道路拓扑、交通参与者、环境条件、自车任务与初始状态。一个可执行场景还必须绑定参数范围、触发条件与评价标准。场景覆盖不是简单统计用例数量，而是衡量测试集在风险空间中的分布质量：是否覆盖关键参数边界、是否覆盖交互逻辑分支、是否覆盖高风险组合。回归测试则是在新版本上重放或重生成测试集，与基线结果比对，判断功能是否退化。

三者关系可用“风险空间—场景集—回归基线”来理解：风险空间定义目标，场景集是采样手段，回归基线是持续验证的参照系。若场景集偏离风险空间，回归通过率再高也不代表安全；若回归基线不稳定，覆盖再全也无法定位退化。

三、方法流程：从风险到回归的六步闭环

工程落地建议按以下流程推进，每一步都应有明确输入、输出与验收标准：

1. 界定 ODD 与风险源：明确道路类型、天气、光照、交通密度、速度范围，并关联事故形态与系统失效模式。
2. 构建分层场景库：按功能场景、逻辑场景、具体场景三层组织，逻辑场景定义参数空间，具体场景用于执行。
3. 设计覆盖指标：至少包含参数边界覆盖、逻辑分支覆盖、组合交互覆盖与风险加权覆盖，避免单一计数。
4. 生成与筛选用例：结合专家经验、实车数据挖掘、仿真采样与对抗生成，按风险与变更影响排序。
5. 执行回归并比对基线：固定环境、地图、传感器配置与评价脚本，输出通过、失败、新增、消失四类结果。
6. 归因与反哺：对失败样本分类为感知、预测、规划、控制或场景设计问题，并将有效样本沉淀回场景库。

四、案例场景：一次典型的回归退化定位

假设某版本更新了规划模块的换道决策逻辑。回归执行后发现：整体通过率从 96.2% 降至 94.8%，但失败用例集中在“相邻车道有快速接近车辆时的换道”场景。进一步查看参数分布，发现失败样本多落在相对速度 15～25 km/h、本车速度 60～80 km/h 的区间。此时不应直接判定“规划模块变差”，而应按以下顺序排查：

• 确认场景库与基线版本是否一致，排除场景集变更干扰。
• 检查评价脚本是否更新，避免阈值变化造成假失败。
• 对比失败样本的感知输入，确认是否存在感知抖动或漏检。
• 若感知一致，再定位规划轨迹的横向加速度、换道时机与安全距离指标。
• 将确认有效的失败样本加入高风险场景子集，作为后续版本必测项。

该案例说明：回归测试的价值不在于“通过率数字”，而在于可定位、可复现、可沉淀。一个失败样本如果能转化为稳定场景，就比一百个随机通过用例更有工程价值。

五、实战路线图与常见误区